Wat is machine learning?
Door Yassine Seghrouchni, oprichterBijgewerkt
Kort gezegd
Machine learning is een vorm van AI waarbij software patronen leert uit voorbeelden, in plaats van regels te volgen die een programmeur heeft opgeschreven. Je geeft het systeem bijvoorbeeld een grote set afgehandelde supporttickets met hun categorie, en het leert zelf welke kenmerken bij welke categorie horen. Daarna deelt het nieuwe tickets in. Ook taalmodellen als ChatGPT zijn met machine learning gemaakt.
Ook wel: ML, machinaal leren
Hoe het werkt
Een model leert in twee fasen. Bij het trainen krijgt het voorbeelden waarvan de uitkomst bekend is, en past het zichzelf aan tot het die uitkomsten zo goed mogelijk voorspelt. Daarna gebruik je het op nieuwe gevallen: het model geeft een voorspelling, vaak met een mate van zekerheid erbij.
De meeste toepassingen in bedrijven doen een van deze vier dingen:
- Indelen: in welke categorie valt deze mail, dit ticket of deze factuur?
- Voorspellen: hoeveel bestellingen komen er volgende week, welke klant zegt waarschijnlijk op?
- Afwijkingen vinden: welke transactie of meetwaarde past niet in het patroon?
- Groeperen: welke klanten lijken op elkaar, zonder dat je de groepen vooraf bepaalt?
Machine learning, AI en generatieve AI
AI is de verzamelnaam voor software die taken doet waarvoor je normaal menselijk oordeel nodig hebt. Machine learning is de manier waarop de meeste AI van nu tot stand komt. Deep learning is een vorm van machine learning met grote neurale netwerken. Daarmee zijn ook large language models gebouwd.
Het verschil in gebruik: klassieke machine learning voorspelt een getal of een categorie. Generatieve AI maakt nieuwe tekst, beelden of code. Voor veel taken met tekst, zoals mails indelen of gegevens uit een factuur halen, hoef je geen eigen model meer te trainen. Een bestaand taalmodel kan dat vaak met een goede instructie.
Leert een model vanzelf bij?
Meestal niet, en dat is een veelgemaakt misverstand. Een model in gebruik verandert niet van elk nieuw geval dat het ziet. Het leert pas bij als iemand het opnieuw traint met nieuwe gegevens. Dat is ook goed: zo weet je welke versie welke uitkomst gaf.
Het betekent wel dat een model veroudert. Verandert je aanbod, je klantenbestand of je proces, dan worden de voorspellingen slechter. Meet de kwaliteit dus ook na de livegang, en plan wanneer je opnieuw traint.
Waar het in de praktijk toe doet
Een eigen model trainen loont als je een terugkerende voorspelvraag hebt en genoeg historische gegevens waarin de uitkomst is vastgelegd. Wil je voorspellen welke offertes getekend worden, dan heb je offertes uit het verleden nodig waarvan je weet of ze getekend zijn, met de kenmerken erbij. Staat die uitkomst nergens in je systemen, dan valt er niets te leren.
Een model leert ook van de scheefheid in je verleden. Zijn er vroeger vooral kandidaten van één profiel aangenomen, dan leert een model dat profiel te verkiezen. Bij AI die meebeslist over mensen weegt dat extra zwaar: daar gelden de eisen voor hoog-risico AI. Welke processen zich wel goed lenen, lees je in Welke bedrijfsprocessen zijn geschikt voor AI?
Veelgestelde vragen
Wat is het verschil tussen AI en machine learning?
AI is de verzamelnaam voor software die taken doet waarvoor normaal menselijk oordeel nodig is. Machine learning is de methode waarmee de meeste AI van nu gemaakt wordt: het systeem leert van voorbeelden in plaats van vaste regels. Alle machine learning is dus AI, maar niet alle AI is machine learning. Ook systemen met handgeschreven regels vallen onder AI.
Hoeveel data heb je nodig voor machine learning?
Dat hangt af van de vraag en van hoeveel de gevallen van elkaar verschillen. Belangrijker dan de hoeveelheid is dat de uitkomst is vastgelegd: zonder voorbeelden waarvan je weet hoe het afliep, valt er niets te leren. Gaat het om tekst, zoals mails of documenten, dan is een bestaand taalmodel vaak een snellere start dan een eigen model trainen.
